Deep learning based optimization of underwater quantum key distribution systems

Yüksek hesaplama kapasitesine sahip kuantum bilgisayarlarındaki hızlı ilerlemeler, klasik kriptografi yöntemlerinin kullanımıyla ilgili endişeleri artırmıştır. Gelişmiş kuantum hesaplama çağına girdiğimizde, kablosuz sistemlerde yaygın olarak kullanılan geleneksel anahtar üretme yöntemleri önemli güvenlik açıklarıyla karşılaşacaktır. Bu yöntemler, onları güçlü bilgisayarların saldırılarına açık hale getiren hesaplama karmaşıklığı varsayımlarına dayanır. Buna karşılık, QKD tekniği, kuantum mekaniği prensiplerini kullanarak teorik olarak koşulsuz bir güvenlik düzeyi sağlama yeteneğine sahiptir. QKD'nin ortaya çıkan uygulamalarından biri, denizaltından denizaltıya iletişim, AUV veri aktarımı, USN veri füzyonu vb. gibi denizcilik görevlerinde kuantum güvenli iletişim sağlamaktır. Bu çalışmada, su altı QKD sistemlerini zaman geçitli SPAD ile ele alıyor ve kapsamlı bir performans analizi ve optimizasyon sunuyoruz. Bu araştırmanın temel katkısı, su altı kanallarında farklı sistem ve alıcı-verici parametrelerine göre BB84 protokolü olarak bilinen QKD protokolünün QBER performansını incelemektir. Amacımız, QBER performans metriğini en aza indirmek için bit süresi ve FoV parametrelerini optimize etmektir. Çalışmamız, su altı QKD sistemlerinde optimal geçit süresini belirleme konusunda, optimal bit süresi ve FoV temel alınarak kapsamlı bir analiz sunmaktadır. Yayın gecikmesi ve varış açısı sonuçlarının dikkatli bir analiziyle, ortalama alınan foton sayısı ile arka plan gürültüsü arasında denge kurarak bit süresini ve FoV'yi belirlendi. Ardından, önceki adımlardan elde edilen uygun bit süresi ve FoV kullanılarak QBER'yi en aza indirmek anlamında optimal geçit sürelerini belirlendi. Bu optimizasyon süreciyle ilişkilendirilen hesaplama karmaşıklığı göz önüne alındığında, bit süresi ve FoV'nin belirlenmesinde etkili olan en önemli alıcı-verici ve kanal parametreleri belirlendi ve sistem optimizasyonu için derin öğrenme modeli kullanıldı. İlk olarak, olası senaryoların bir alt kümesi için Monte Carlo simulasyonları gerçekleştirildi ve bu simulasyonlar üzerinde derin öğrenme modeli eğitildi. Sonra, bu model su altı senaryoların'da optimum değerleri çıkarmak için kullanıldı.